論文の概要: CapBench: A Multi-PDK Dataset for Machine-Learning-Based Post-Layout Capacitance Extraction

• arxiv url: http://arxiv.org/abs/2604.11202v1
• Date: Mon, 13 Apr 2026 09:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.445131
• Title: CapBench: A Multi-PDK Dataset for Machine-Learning-Based Post-Layout Capacitance Extraction
• Title（参考訳）: CapBench: マシンラーニングベースのポストレイアウトキャパシタンス抽出のためのマルチPDKデータセット
• Authors: Hector R. Rodriguez, Jiechen Huang, Wenjian Yu,
• Abstract要約: このデータセットは、シングルコアCPU、システムオンチップ、メディアアクセラレータなど、オープンソースの設計から派生したものだ。 高忠実度キャパシタンスラベルは、最先端のランダムウォーク解決器であるRWCapを用いて生成され、業界標準のラファエルに対して検証される。 我々は、データセットの使用を図解し、畳み込みニューラルネットワーク(CNN)、ポイントクラウドトランスフォーマー、グラフニューラルネットワーク(GNN)など、ベースラインとして機能する10の機械学習アーキテクチャを評価した。
• 参考スコア（独自算出の注目度）: 3.790585344640331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present CapBench, a fully reproducible, multi-PDK dataset for capacitance extraction. The dataset is derived from open-source designs, including single-core CPUs, systems-on-chip, and media accelerators. All designs are fully placed and routed using 14 independent OpenROAD flow runs spanning three technology nodes: ASAP7, NanGate45, and Sky130HD. From these layouts, we extract 61,855 3D windows across three size tiers to enable transfer learning and scalability studies. High-fidelity capacitance labels are generated using RWCap, a state-of-the-art random-walk solver, and validated against the industry-standard Raphael, achieving a mean absolute error of 0.64% for total capacitance. Each window is pre-processed into density maps, graph representations, and point clouds. We evaluate 10 machine learning architectures that illustrate dataset usage and serve as baselines, including convolutional neural networks (CNNs), point cloud transformers, and graph neural networks (GNNs). CNNs demonstrate the lowest errors (1.75%), while GNNs are up to 41.4x faster but exhibit larger errors (10.2%), illustrating a clear accuracy-speed trade-off. Code and dataset are available at https://github.com/THU-numbda/CapBench.
• Abstract（参考訳）: 本稿では,キャパシタンス抽出のための完全再現可能なマルチPDKデータセットであるCapBenchを提案する。 このデータセットは、シングルコアCPU、システムオンチップ、メディアアクセラレータなど、オープンソースの設計から派生したものだ。 すべての設計は、ASAP7、NanGate45、Sky130HDの3つの技術ノードにまたがる14の独立したOpenROADフローを使用して、完全に配置され、ルートされる。 これらのレイアウトから,3層にまたがる61,855個の3Dウィンドウを抽出し,移動学習と拡張性の研究を可能にする。 高忠実度キャパシタンスラベルは、最先端のランダムウォーク解決器であるRWCapを用いて生成され、業界標準のラファエルに対して検証され、総キャパシタンスに対する平均絶対誤差0.64%を達成する。 各ウィンドウは、密度マップ、グラフ表現、点雲に事前処理される。 データセットの使用状況を説明し,ベースラインとして機能する10の機械学習アーキテクチャを評価し,畳み込みニューラルネットワーク(CNN),ポイントクラウドトランスフォーマー,グラフニューラルネットワーク(GNN)などについて検討した。 CNNは最も低いエラー(1.75%)を示し、GNNは最大41.4倍高速であるが、より大きなエラー(10.2%)を示し、明確な精度と速度のトレードオフを示している。 コードとデータセットはhttps://github.com/THU-numbda/CapBench.comで入手できる。

関連論文リスト

• Efficient 3D Recognition with Event-driven Spike Sparse Convolution [15.20476631850388]
  スパイキングニューラルネットワーク(SNN)は3次元時間的特徴を抽出するエネルギー効率の良い方法を提供する。 本稿では3次元点雲をスパーススパイクトレイン空間に符号化するスパイクVoxel Coding(SVC)方式を提案する。 本稿では,3次元スパース・クラウドの特徴を効率的に抽出するスパイクスパース・コンボリューション(SSC)モデルを提案する。
  論文  参考訳（メタデータ） (2024-12-10T09:55:15Z)
• Dataset Quantization [72.61936019738076]
  大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
  論文  参考訳（メタデータ） (2023-08-21T07:24:29Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Multi-Resolution Graph Neural Network for Large-Scale Pointcloud Segmentation [0.3867363075280543]
  大規模なポイントクラウド上でセマンティックセグメンテーションを行うために,メモリ効率のよいエンドツーエンドグラフニューラルネットワークフレームワーク MuGNet を提案する。 我々は,11GBのGPUで最大45個の部屋スキャンを同時に処理できることを実証した。
  論文  参考訳（メタデータ） (2020-09-18T16:42:02Z)
• Improved Residual Networks for Image and Video Recognition [98.10703825716142]
  ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。 ベースライン上での精度と学習収束性を一貫した改善を示す。 提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
  論文  参考訳（メタデータ） (2020-04-10T11:09:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。